RoCoP：跨方向训练的无参数组件池化网络

2026年10月27日，arXiv Computer Vision 刊出 Bingchen Yan 等人的研究，提出用于少样本遥感场景分类的 RoCoP 网络。该网络为无参数组件池化结构，通过非负分解模块（NDM）和组件评分模块（CSM）将局部描述子分解为加性组件并加权池化，同时对每张图像的随机旋转视图进行训练。在 NWPU-RESISC45 和 AID 数据集上，5-way 1-shot 准确率较迁移学习基线提升约 2.5 个百分点，且推理时不增加参数。相同协议下，RoCoP 优于复现的基于度量和任务自适应方法，但报道指出该方法在基集极小时不适用。目前事件进展限于该篇报道所披露的方法与实验结果。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。